Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
http://improveverywhere.com/2008/07/06/human-mirror/
Experimento aleatorio
Entenderemos por experimento aleatorio
cualquier situacin que, realizada en las
mismas condiciones, proporcione un
resultado imposible de predecir a priori.
Por ejemplo:
* Lanzar un dado.
* Extraer una carta de una baraja.
* Se lanza una moneda. Si sale cara se extrae de una urna
U1, con una determinada composicin de bolas de colores,
una bola y si sale cruz de extrae de una urna U2, con otra
determinada composicin de bolas de colores, una bola.4
Sucesos o eventos
Cuando se realiza un experimento aleatorio, diversos
resultados son posibles. El conjunto de todos los resultados
posibles se llama espacio muestral (E).
Experimento aleatorio: lanzar un dado.
Espacio muestral E = {1, 2, 3, 4, 5, 6}.
Pierre-Simon Laplace
(1749 - 1827)
Si se producen aleatoriamente n
accidentes de coche en n das, cul
es la probabilidad de que cada da
se produzca un accidente?
Podemos colocar la bola 1 (accidente 1) en n posibles
celdas (das). La bola 2 (accidente 2) puede colocarse
en cualquiera de las n celdas (n das), idem la 3, etc... De
modo que existen nn maneras posibles de colocar n bolas en
n celdas (casos posibles). Los arreglos o configuraciones
posibles en que tenemos una bola en cada celda son: n!
(casos favorables).
Para siete accidentes de trfico en una semana:
p(7) = 7! / 77 = 0.00612 (anti-intuitivamente baja)
n!
p ( n) = n
n
10 9 ... 5 4
p=
= 0,06048
7
10
Statistical fantasy
11
13
Precursores de la
teora de probabilidad
(pag. 38)
Su libro sobre juegos de azar,
Liber de ludo aleae, escrito en la
dcada de 1560 pero publicado
pstumamente
en
1663,
constituye el primer tratado serio
de
probabilidad
abordando
mtodos de cierta efectividad.
Wikipedia
Cardano comput correctamente las
posibilidades en los lanzamientos de 2 y 3
dados.
Girolamo Cardano
(1501-1576)
Galileo Galilei
1564-1642
3 531
6 521
6 421
6 321
6 221
541
6 522
3 431
6 331
3 222
532
6 441
3 422
3 322
442
3 432
6 332
433
3 333
27
25
15
21
15
10
http://www.eyeintheskygroup.com/Azar-Ciencia/Metodos/Azar-Galileo-Galilei.htm
Sidney Harris
16
Diagramas de Venn
A
A
A
B
3
2
Unin A B
Interseccin A B
A={1,3,5}, B={5,6}
E={1,2,3,4,5,6}
Ac ={2, 4, 6}
Bc ={1, 2, 3, 4}
A B ={1, 3, 5, 6}
A B = {5}
(A B)c ={2, 4}
(A B)c = {1, 2, 3, 4, 6}
17
A j = A1 A2 Am
j =1
A j = A1 A2 Am
j =1
18
X Y =
Y = { 3,4,5,6 }
P( X Y ) = 0
19
Kolmogorov, 1933
Suceso
seguro
.5
Suceso
Imposible
22
P( E ) = 1
c
P ( A ) = 1 P ( A)
24
Lanzamiento de monedas
Cinco monedas se lanzan simultneamente.
Encuentra la probabilidad del suceso A:
Al menos sale una cara. (Asumimos que las
monedas no est cargadas).
Solucin: Puesto que cada moneda puede aparecer
como cara o cruz, el espacio muestral consiste en
25 = 32 posibilidades. Como las monedas no estn
cargadas cada posibilidad tiene la misma probabilidad
de 1/32.
El suceso Ac (ninguna cara) tiene solo una posibilidad.
Entonces P(Ac) = 1/32 y la respuesta es:
P(A) = 1 - P(Ac) = 31/32.
25
1 1 1 1 1 1
1
P( A ) = = =
2 2 2 2 2 2 32
31
c
P( A) = 1 P( A ) =
32
c
26
28
P = 1 (1 0.5) 2 = 0.75
29
Rojo
Negro
Total
As
No-As
24
24
48
Total
26
26
52
Diagramas en rbol:
Cartas
Rojas
Baraja
Cartas
Negras
As
No As
As
No As
32
33
2 1
1
1 1
=
P(4 H 4M ) = P(4 H ) + P(4M ) = + = 2 =
2 16 8
2 2
Probabilidad descomposicin (3-1):
2 1
6 3
P(2 H 2 M ) = =
=
4 2 16 8
4
36
5
5
P (ningn 6) = ; P (al menos un 6) = 1 = 0,5117
6
6
24
24
35
35
P (ningn 12) = ; P (al menos un 12) = 1 = 0,4914
36
36
5
P(al menos un 6) = 1 = 0,5117
6
24
35
P(al menos un 12) = 1 = 0,4914
36
Pascal, a raz de esta cuestin, comenz una
correspondencia epistolar sobre cuestiones
probabilsticas con otros matemticos amigos,
sobre todo con Fermat. Esta correspondencia
puede considerarse el origen de la teora de
probabilidades.
Fue Huyghens, no obstante, quien recogiendo y completando el
trabajo de ambos presenta en sociedad el Clculo de Probabilidades
en 1657 al publicar su libro De Ratiocinius in Ludo Aleae.
38
Morir de ...
P(no morir de accidente de coche) = 99%
P(no morir de accidente domstico) = 98%
P(no morir de enfermedad pulmonar) = 95%
P(no morir de locura) = 90%
P(no morir de cncer) = 80%
P(no morir de enfermedad cardiaca) = 75%
La probabilidad de librarse individualmente de cada una de estas
formas de muerte es alentadora, pero: Cul es la probabilidad
de morir a causa de alguna de ellas?
P(no morir por ninguna de las causas) =
= 0,99 x 0,98 x 0,95 x 0,9 x 0,8 x 0,75 = 0,50
P(morir a causa de alguna) = 1 0,5 = 0,50.
39
1
499
P(no contagiarse en 1 contacto) = 1
=
500 500
499
P(no contagiarse en 2 contactos) =
500
499
P(no contagiarse en n contactos) =
= 0,5
500
Ln 0,5
n=
346
499
Ln
500
40
1
4999
=
P (no contagiarse en 1 contacto) = 1
5000 5000
4999
P (no contagiarse en n contactos) =
0,5
5000
Ln 0,5
3465
n=
4999
Ln
5000
41
42
TTTAATTGAAAGAAGTTAATTGAATGAAAATGATCAACTAAG
est presente en el genoma de 10 vertebrados: humano, chimpanc, ratn,
rata, perro, pollo, rana, pez cebra, pez fugu y tetraodn.
La probabilidad (de acuerdo al modelo de evolucin de Jukes-Cantor, ver
Substitution model en Wikipedia) de que esto haya ocurrido por azar es
aproximadamente igual a: 10-50.
Es una conjetura razonable suponer que esta secuencia de 42 bases estaba
en un ancestro comn a todos estos vertebrados
The Mathematics of Phylogenomics, Lior Pachter and Bernd Sturmfels
Algebraic Statistics for Computational Biology, Cambridge University Press, 2005
47
El sitio web The Monkey Shakespeare Simulator, simula desde 2003 una gran poblacin
de monos escribiendo al azar, con la intencin de ver cuanto tiempo toma a los monos
virtuales completar una obra de Shakespeare desde el principio al fin. En 2005 se
encontraron 24 letras consecutivas que formaban un pequeo fragmento de Enrique VI,
parte 2:
48
RUMOUR. Open your ears; 9r"5j5&?OWTY Z0d "B-nEoF.vjSqj[
Posteriormente, el mismo experimento, logr 30 letras de Julio Csar de Shakespeare:
Flauius. Hence: home you idle CrmS3RSs jbnKR IIYUS2([;3ei'Qqrm
En 2003, cientficos en Paignton Zoo y la Universidad de Plymouth, reportaron que
dejaron un teclado de computadora en la jaula de seis macacos durante un mes. No slo
los monos no hicieron ms que producir cinco pginas consistentes en una larga serie de
la letra S, sino que comenzaron a atacar el teclado con una piedra y siguieron orinando y
defecando sobre l. Wikipedia
Lanzamiento de monedas
77
6 4
24
P(C +) =
=
10 10 100
4 6
24
P ( +C ) =
=
10 10 100
P(C + ) = p(1 p )
P( +C ) = (1 p ) p
El sorteo de la mili
79
primos
p(A1) = 1 k
p(A2) = 2 k
p(A3) = 3 k
p(A4) = 4 k
p(A5) = 5 k
p(A6) = 6 k
82
Coincidencias
Cuntas personas escogidas al azar hacen falta
para tener la certeza de que dos cumplen aos el
mismo da? Si un ao tiene 365 das (pasemos
de bisiestos), nos hacen falta a lo sumo 366
personas. Y si quiero tener una probabilidad del
50%?
El nmero de posibles:
n fechas de 365 (casos posibles) es:
n fechas distintas de 365
(casos no favorables) es:
VR365,n = 365n
84
85
364
P (no nacer el 21 de marzo) =
365
364
P (n personas no hayan nacido el 21 de marzo) =
365
364
P (Al menos una persona de n haya nacido el 21 de marzo) = 1 -
365
Para n = 253 esta probabilidad es aproximadamente del 50%.
PR
365!
=
23! 342!
[1,...,1]
(23)
[0,...,0]
(342)
365!
365!
23! =
Casos favorables CF =
342!
23! 342!
365!
Entonces, la probabilidad de que no haya coincidencia es:
P = 34223! = 0.493
365
La probabilidad de que haya al menos un par de
personas con el mismo da de cumpleaos ser:
1 P = 1 0.493 = 087.507
[1,...,1]
(21)
[0,...,0]
(343)
PR
365!
=
1! 21! 343!
Ahora, para cada configuracin anterior tenemos: 23! /2! formas distintas
de colocar las bolas:
Casos favorables
365! 23!
1! 21! 343! 2!
365! 23!
1! 21! 343! 2!
P=
= 0.363
23
88
365
CF =
[1,...,1]
(19)
[0,...,0]
(344)
PR
365!
=
2! 19! 344!
23!
365!
2! 19! 344! (2!)2
365!
23!
2! 19! 344! (2!)2
P=
36523
CF =
=890.111
[1,...,1]
(17)
[0,...,0]
(345)
PR
365!
=
3! 17! 345!
23!
365!
3! 17! 345! (2!)3
365!
23!
3! 17! 345! (2!)3
P=
36523
CF =
= 900.018
[1,...,1]
(20)
[0,...,0]
(344)
PR
365!
=
1! 20! 344!
365!
23!
1! 20! 344! 3!
365!
23!
1! 20! 344! 3!
P=
= 091.007
23
365
CF =
92
93
Ao
cm de nieve
(1) 1974 75
Rcord
(2) 1975 88
Rcord
(3) 1976 72
(4) 1977 110 Rcord
(5) 1978 85
(6) 1979 30
(7) 1980 55
(8) 1981 86
(9) 1982 51
(10) 1983 64
Rcords
Cuntos rcords deberamos
esperar en un periodo de 10
aos?
Podemos contar el nmero de
rcords en trminos de
permutaciones como sigue:
numeramos los aos de 1 a 10.
Y asignamos a cada ao su
posicin en el ranking
(ordenamos por su valor de
menor a mayor).
Ao
1 2 3 4 5 6 7 8 9 10
Ranking 6 9 5 10 7 1 3 8 2 4
94
Ao
1 2 3 4 5 6 7 8 9 10
Ranking 6 9 5 10 7 1 3 8 2 4
El ranking se convierte as en una posible permutacin. De modo
que el ao i ser un rcord si en la permutacin ranking todos los
valores anteriores: 1, 2, ..., i - 1 son menores en valor.
Vamos a calcular, por simulacin, para n aos la probabilidad de
obtener k rcords, suponiendo que los valores (centmetros de nieve)
son todos distintos e igualmente probables. As como el nmero
medio de records en funcin de n.
El programa Records cuenta el nmero de rcords en
permutaciones generadas aleatoriamente. Para n = 10, 20 y 30
el nmero medio de rcords es 2.968, 3.656 y 3.960
respectivamente. El promedio incrementa muy suavemente.
Puede demostrarse que el promedio va aproximadamente como
log n: log 10 = 2.3, log 20 = 3 y log 30 = 3.4.
95
96
Sueos profticos
Supongamos que la probabilidad de un sueo proftico sea
de 1/10.000 (muy poco frecuente). La probabilidad de que no
sea proftico es abrumadora: 9.999/10.000. Cul es la
probabilidad de tener un sueo proftico al cabo de un ao?
9999
P (365 sueos no profticos) =
10000
365
0,964
9999
P (Al menos 1 sueo proftico) = 1
10000
365
0,036
Lotera de Navidad
(pg. 104)
101
102
104
105
Planta
alta
Hueco del
ascensor
Planta
baja
107
Particin eficiente:
algoritmo infantil para formar dos equipos de ftbol.
Example:
2 10 3 8 5 7 9 5 3 2
There are 23 ways to divide up the numbers into two groups with exactly equal
sums (or 46 ways if you count mirror images as distinct partitions).
(2 5 3 10 7) (2 5 3 9 8)
Both subsets sum to 27.
Figure 1. One perfect partition hides in a dense forest of very imperfect ones. Partitions
are ways of separating a set of numbers into two subsets; a partition is perfect if the
subsets have the same sum. Here the bars represent the discrepancythe absolute
value of the subset differenceof the 256 ways of partitioning a certain set of nine
integers. (There are another 256 partitions, but they are just the mirror images of
these, exchanging the two subsets.) The set chosen for this example is (484 114 205 288
506 503 201 127 410); the lone perfect partition, marked by a red asterisk, divides the
numbers into the subsets (410 503 506) and (127 201 288 205 114 484), which both add
up to exactly 1,419.
Greedy algorithm
Karmarkar-Karp algorithm
Figure 3. Karmarkar-Karp algorithm operates in two phases. First, reading down the
lefthand side, pairs of numbers are replaced by their difference, effectively deciding
they will go into different subsets. In the second phase, reading up the righthand side,
the partition is constructed from the sequence of differencing decisions. Here the 0 at
the bottom of the table is known to derive from the difference of two 2s, which can
therefore be inserted, one in each subset. One of the 2s arose as the difference between
a 6 and a 4, so those numbers can also be written down, and so on. In the case shown
the algorithm finds a perfect partition, but it is not guaranteed always to work.
In the search for perfect partitions, the Karmarkar-Karp procedure succeeds even
more often than the greedy algorithm.
Thus a set of 100 integers in a range near 2100 has n = 100 and m = 100 and a problem size
of 10,000 bits.
The ratio m/n is the best predictor of difficulty in number partitioning.
Some simple reasoning about extreme cases takes the mystery out of this assertion. Suppose
the ratio of m to n is very small, say with m = 1 and n = 1,000. The task, then, is to partition a
set of 1,000 numbers, each of which can be represented by a single bit. This is trivially easy:
A one-bit positive integer must be equal to 1, and so the input to the problem is a list of a
thousand 1s. Finding a perfect partition is just a matter of counting. At the opposite extreme,
consider the case of m = 1,000 and n = 2 (the smallest n that makes sense in a partitioning
problem). Here the separation into subsets is easyhow many ways can you partition a set
of two items?but the likelihood of a perfect partition is extremely low. It's just the
probability that two randomly selected 1,000-bit numbers will be equal.
Figure 4. Multiplicity of optimal partitions explains why some problem instances are
hard and others are embarrassingly easy. The crucial parameters are the size of the set,
n, and the size of a typical number in the set, m, measured in bits. When m is less than
n, almost all sets have many perfect partitions. When m is greater than n, there is
usually a unique best partition (and it is seldom perfect). Shown here are the
multiplicities of the optimal partitions of 1,000 sets with n = 25. Where the optimal
partition is not perfect, the color varies from yellow through green to blue as the
discrepancy increases. Perfect partitions are marked in red, with solid dots for odd-sum
sets and open circles for even-sum sets. The data show that perfect partitions are twice
as abundant in odd-sum sets as in even-sum sets; the reason, roughly stated, is that
subsets in the odd-sum case can differ by either +1 or 1, whereas an even-sum
partition is perfect only if the discrepancy is exactly 0.
A 1991 article by Peter Cheeseman, Bob Kanefsky and William M. Taylor, titled "Where
the Really Hard Problems Are," conjectured that all NP problems have a phase transition
and suggested that this is what distinguishes them from problems in P.
Stephan Mertens:
As a means of understanding the phase transition, Mertens sets up a
correspondence between the number-partitioning problem and a model of a
physical system. To see how this works, it helps to think of the partitioning process
in a new context. Instead of unzipping a list of numbers into two separate lists, keep
all the numbers in one place and multiply some of them by 1. The idea is to negate
just the right selection of numbers so that the entire set sums to 0. Now comes the
leap from mathematics to physics: The collection of positive and negative numbers
is analogous to an array of atoms in a magnetic material, with the plus and minus
signs representing up and down spins. Specifically, the system resembles an infiniterange antiferromagnet, where every atom can feel the influence of every other
atom, and where the favored configuration has spins pointing in opposite
directions.
Physics offers some powerful tools for predicting the behavior of such a system. In
particular, the interplay of energy and entropy governs how the collection of spins can be
expected to evolve toward a state of stable equilibrium. The energy in question comes
from the interaction between atomic spins (or between positive and negative numbers);
because the system is an antiferromagnet, the energy is minimized when the spin vectors
are oppositely oriented (or when the subsets sum to zero). The entropy measures the
number of ways of achieving the minimum-energy state; a system with a unique ground
state (or just one perfect partition) has zero entropy. When there are many equivalent
ways of minimizing the energy (or partitioning a set perfectly), the entropy is high.
The ratio m/n controls the state of this system. When m is much greater than n, the
spins almost always have just one configuration of lowest energy. At the other pole,
when m is much smaller than n, there are a multitude of zero-energy states, and the
system can land in any one of them. Mertens showed that the transition between
the two phases comes at m/n=1, at least in the limit of very large n. And he derived
corrections for finite n that may explain why Gent and Walsh measured a slightly
different transition point.
Finally, Mertens showed just how hard the hard phase is. Searching for the best
partition in this region is equivalent to searching a randomly ordered list of random
numbers for the smallest element of the list. Only an exhaustive traverse of the
entire list can guarantee an exact result. What's worse, there are no really good
heuristic methods; no shortcuts are inherently superior to blind, random sampling.
RULES
Given a set of k integers
extracted randomly from the pool [1,M].
- Extract another random integer T from the
pool [1,M].
- Combine the set of integers through arithmetic
operations
(use at much once each number)
-
Example [k = 4, M = 200]
{3, 12, 5, 53} T = 118
Solution exists? YES
S = (53-12)*3 5 = 118
{7, 11, 82, 26} T = 181
Solution exists? NO
(Closest formula= 26 * 7 = 182)
Question:
WHICH IS THE PROBABILITY
OF REACHING T?
1
2+1
+ =
=1
221
1 2
2
=1
1
, = 1 1
1 ()/
()
, =
, 1/2
ln( ln 2)
=
= ln +
a = 0.98
b = 0.31
, 1 (,)/
= ln +
a = 0.84
b = 0.39
Intensive control
parameter:
Systems efficiency as
the average amount of
potential targets in
[1,M] that can be
reached per unit
number k. This
function can be
written as:
A. Fomenko
Geometry and probability
rea de B
P( B) =
rea del cuadrado
La aguja de Buffon
Longitud de la aguja igual a la
distancia entre las lneas paralelas
P=
1
# veces que la aguja corta una lnea
=
# veces que lanzamos la aguja
2
135
136
E = {( x1 , x2 ) : 0 x1 60, 0 x2 60}
x2
x 2 x1 20
x 2 x1 20
x1 x 2 20
x2 = x1 + 20
60 min
x1 = x2 + 20
A
20 min
20 min
60 min
S ( A) 60 2 40 2 5
=
=
P( A) =
2
60
9
S (E)
x1
137
La paradoja de Bertrand
Joseph L. F. Bertrand (1822-1900) fue un
matemtico francs cuyas principales
reas de trabajo fueron la Teora de
Nmeros, la Geometra Diferencial y la
Teora de las Probabilidades. En 1888
public el libro Calcul des probabilitis que
contena numerosos ejemplos de
problemas de probabilidades en los cuales
el resultado depende del mtodo de
Joseph Louis Franois Bertrand
(1822 - 1900)
resolucin. El ms famoso se conoce como
la Paradoja de Bertrand:
R
1 h
sin = = ; h =
2
6 2 R
0
h
R
139
140
141
143
m( A)
P( A) = lim
m
m
144
145
Regla de la suma:
Dados dos sucesos A y B en el
espacio muestral:
P(A B) = P(A) + P(B) - P(A B)
C
D
A
B
147
Regla de la adicin
P( A1 B ) = P( A1 ) + P( B ) P( A1 B )
B = A2 A3
Sustituyendo en la expresin anterior:
P( A1 ( A2 A3 )) = P( A1 ) + P( A2 A3 ) P( A1 ( A2 A3 )) =
P( A1 ) + P( A2 ) + P( A3 ) P( A2 A3 ) P(( A1 A2 ) ( A1 A3 )) =
P( A1 ) + P( A2 ) + P( A3 ) P( A2 A3 ) P( A1 A2 ) P( A1 A3 ) + P( A1 A2 A3 )
Por induccin, puede demostrarse:
n
k =1
i< j
P ( A1 A2 ... An ) = P ( Ak ) P ( Ai A j ) +
+
n +1
(
)
...
(
1
)
P
A
A
P( A1 A2 ... An )
+
+
i j k
i< j <k
148
100
10
= 1 googol
El juego del googol puede enunciarse as: varias personas (digamos, 100)
escriben cada una, en secreto, un nmero en una papeleta, sin lmite en cuanto al
valor del nmero escogido; las papeletas se revuelven y se inicia su extraccin al
azar y lectura pblica, una a una. La gracia est en seleccionar la papeleta con el
nmero ms alto. El jugador se puede plantar en cualquier momento, pero no
puede volver atrs: si deja pasar el nmero ganador, a la espera de otro an
mayor, perder.
Sobre el jugador pesan, pues, dos preocupaciones opuestas: si se planta
demasiado pronto, puede estar renunciando a nmeros mayores que todava no
han salido; pero si retrasa demasiado su eleccin, puede pasar por alto, sin
darse cuenta, las mejores oportunidades y quedarse a la espera de un nmero
ideal que nunca llegar. Cmo conjugar esos dos riesgos opuestos?
Puede demostrarse que para hacer mxima la probabilidad de acierto
deberemos seguir la regla del 37%, es decir, recordar el nmero ms alto de
entre los 37 primeros (si estn jugando 100 personas y por tanto hay 100
nmeros) y, a partir de ese momento, plantarnos en el primero que lo supere.
Siguiendo esa regla, la probabilidad de acierto ser tambin del 37%, porcentaje
que es el inverso del nmero e.
151
J. M. Parrondo
Juegos Matemticos: Investigacin y Ciencia
152
153
154
Problemas resueltos
1/ Una caja contiene 8 bolas rojas, 3 blancas y 9 azules. Si se sacan 3
bolas al azar sin reemplazo determinar la probabilidad de que:
a) Las 3 sean rojas
Eventos: E1 sacar roja a la primera
8 7 6 14
=
20 19 18 285
P(E1E2E3)=
Casos posibles:
Casos favorables:
C3
20C 3
Casos posibles:
b) Las 3 sean blancas
Casos favorables:
C3
20C 3
P=
1140
=
Seleccin de 3 bolas entre 20
(20C 3 ) 166 95
34 23
17C 3
=
1
= 1
57 57
20C 3
(8C1)(3C1)(9C1) 18
P=
=
20C 3
95
P (e) 3
P=
=
3!
95
167
(
4C 4 )(48C 1)
=
P=
C5
48
c)
(
4C 3 )(4C 2 )
P=
=
52
e)
C5
1
108290
(
4 13C 3 )(3 13C 2 )
P=
=
52
f)
1
54145
C5
C 5 35673
=
P (no as) =
52C 5
54145
48
b)
(
4C 4 )(4C 1)
P=
=
52
d)
C5
1
649740
(
4C 1)(4C 1)(4C 1)(4C 1)(4C 1)
P=
=
52
C5
64
162435
429
4165
35673 18472
P(al menos un as) = 1
=
54145 54145
168
8! 3! 1
P=
=
10! 15
169
a)
b)
6 1
=
12 2
4 1
=
12 3
P(empate) =
2 1
=
12 6
1 1 1 1
P(A gana los 3 juegos juego) = =
2 2 2 8
Posibles ordenes en que se producen los empates=
(3C 2 )
1
P(2 empates) =
6
5
Puesto que se requieren slo 2 empates la 3 partida no puede ser empate: P (no empates) = 1 P (empate) =
6
2
1 5 5
P = (3C 2 ) =
6 6 72
c) P = P( A, B, A) + P( B, A, B) = 1 1 1 + 1 1 1 = 5
2 3 2 3 2 3 36
d)
2
P(B no gana ningn juego) =
3
3
2 19
170
P(gana algn juego) = 1 =
3 27
2
P(B no gana un juego) =
3
1
P(sacar una suma de 7) =
6
5
4
3
2
1
1
1
P (gane A a la primera) =
6
5 5 1
P (gane A a la segunda) =
6 6 6
5
6
5 1
P (gane B a la primera) =
6 6
5 5 5 1
P (gane B a la segunda) =
6 6 6 6
2
4
1
1 5 5
1 5 5 1 5 5 5 5 1
6
P(gane A) = + + + ... = 1 + + + ... =
6 6 6
6 6 6 6 6 6 6 6 6
1 5
6
( )
2
4
5
5 1 5 5
5 1 5 5 5 1
36
P (gane B) = + + ... = 1 + + + ... =
6 6 6 6
6 6 6 6 6 6
1 5
6
( )
6
11
5
11
171
=
No es justooooo!!
P(no seis doble en el 2o lanzamiento) ... P(no seis doble en el n - simo lanzamiento) =
35 35
35 35
= ...
=
36 36
36 36
35
P(al menos un seis doble en n lanzamientos) = 1
36
b)
1
1 35
1
35
35
operando
ln = n ln =
=
= 1
2
2 36
2
36
36
= 0,6931 = 0.0282n
n=24,6 que se aproxima por n=25
172
P(1) = K
K
P ( 2) =
2
K
P(3) =
3
K
P ( 4) =
4
K
P(5) =
5
K
P ( 6) =
6
k =
2 3 4 5 6
60
147
a)
k k 23k 92
=
P(impar) = P(1,3,5) = k + + =
3 5 15 147
b)
k k 11k 110
P(inferior a 4) = P(1,2,3) = k + + =
=
2 3
6 147
173
(d)=defectuoso
90 89 88 178
=
100 99 98 245
90 89 10 267
P(uno defectuoso) = P( BBd , BdB, dBB) = 3 P( BBd ) = 3
=
100 99 98 1078
90 10 9
27
P(dos defectuoso) = P( Bdd , ddB, dBd ) = 3 P( Bdd ) = 3
=
100 99 98 1078
2
10 9 8
P( tres defectuoso) = P(ddd ) =
=
100 99 98 2695
3
ntese que :
P(n defectuosos) = 1
n =0
174
11/ Se seleccionan dos cartas al azar de entre 10 cartas numeradas del 1 al 10.
Hallar la probabilidad de que la suma sea impar si: a) se sacan dos cartas sin
sustitucin b) se sacan dos cartas, una despus de la otra, con sustitucin
a)
= 45
b)
1010
Casos favorables= 5 5 2
25 5
P=
=
45 9
Casos posibles:
25 2 1
P=
=
100
2
175
a)
Casos posibles:
de las 12
12
C 2 = 66
6
1
P=
=
66 11
(i)
(ii)
6 6 6
P=
=
66 11
176
b)
(i)
Casos posibles: 12
Hay 6
C 4 = 495
1
15
P=
=
495 33
P=
2 2 2 2 15 16
=
495
33
1 16 16
P = 1 =
33 33 33
12!
12!
=
c) Casos posibles: 2!2!2!2!2!2! 26 maneras de repartir 12 personas en 6 clulas ordenadas con 2
1
6!
P=
=
6
12! 2 10395
(ii) Cada uno de los 6 hombres se pueden colocar en 6 clulas de 6! maneras y cada una
de las 6 mujeres lo mismo:
P=
6!6!
16
=
12! 26 231
177
14/ Se tiene una baraja de cuarenta cartas; se extraen cinco cartas una por una, devolviendo al mazo cada carta
una vez vista. Calclese:
a) La probabilidad de que las cinco cartas sean oros
b) La probabilidad de que el primer oro que aparezca lo haga en quinto lugar
a) Sea S el suceso que una carta sea oros. El suceso que las cinco cartas sean oros es el suceso compuesto por los sucesos que la primera sea
oros (S1), que la segunda sea oros (S2)...
S = S1S2S3S4S5
Los sucesos son independientes, luego:
P(S) = P(S1S2S3S4S5) = P(S1)P(S2)P(S3)P(S4)P(S5)
P( S=
i)
casos favorables 10
= = 0, 25 ;
casos posibles
40
P(S)=P5(Si)=0,255=0,000975
P(S)
casos favorables 30
=
casos posibles
40
P(S) =
10
40
178
15/ Durante un ao, las personas de una ciudad utilizan tres tipos de transportes: metro (M), autobs (A), y coche
particular (C). Las probabilidades de que durante el ao hayan usado unos u otros transportes son las siguientes:
metro = 0,30; autobs = 0,20; coche = 0,15; metro y autobs = 0,10; metro y coche = 0,05; autobs y coche = 0,06;
metro y autobs y coche = 0,01.
Calclense las siguientes probabilidades:
a) Que una persona tome al menos dos medios de transporte
b) Que una persona viaje en metro y no en autobs
c) Que una persona viaje en metro o en coche y no en autobs
d) Que viaje en metro o en autobs y en coche
e) Que una persona vaya a pie
a) Se cumple verificndose alguno de los siguientes sucesos: metro y autobs y no coche; metro y no autobs y coche; no metro y autobs y
coche; metro y autobs y coche. Son sucesos disjuntos.
=
P P(( M A C ) ( M A C ) ( M A C ) ( M A C=
))
P( M A C ) + P( M A C ) + P( M A C ) + P( M A C )
vemos que: ( M A C ) ( M A C ) = M A
luego,al ser disjuntos: P ( M A C ) + P( M A C=
) P( M A)
P ( M A C=
) 0,10 0, 01= 0, 09
P( M C ) P ( M A C=
Anlogamente: P( M A C ) =
= 0, 04
) 0, 05 0, 01
P( M A C =
) P( A C ) P( M A C =
) 0, 06 0, 01= 0, 05
P = 0, 09 + 0, 04 + 0, 05 + 0, 01 = 0,19
b)
M ; los sucesos del primer miembro son disjuntos.
( M A) ( M A) =
179
d)
180
16/ Una fbrica de detergentes proyecta lanzar una nueva marca. En el mercado hay dos marcas: A y B. La
probabilidad de compra de A es 0,3, la de B es 0,5 y la de A y B, 0,1. Para decidirse por la nueva marca, la
fabrica necesita conocer la probabilidad de que no se compren ni A ni B, as como la probabilidad de que slo
se compre una de las dos marcas. Calclense estas probabilidades.
El suceso no comprar ni A ni B es el complementario del suceso comprar A o B:
A B = A B
Y, al ser los sucesos del primer miembro disjuntos, se deduce que:
P( A B) + P( A B) =
P ( E );
P( A B ) = P ( A) + P ( B ) P ( A B ) = 0,3 + 0,5 0,1 = 0, 7;
0, 7 + P=
( A B) 1;
P=
( A B) 0,3
P( A B ) = P ( A B ) = 0,3
El suceso comprar una de las dos marcas es igual a la unin de los sucesos disjuntos comprar la marca A y no comprar la B y comprar la
marca B y no la A.
Comprar la marca A y no comprar la B es A-B y anlogamente, comprar B y no A es B-A; por tanto:
181
18/ Un submarino se dispone a torpedear a un carguero. De experiencias anteriores el capitn del submarino
sabe que al lanzar un torpedo da en el blanco una de cada tres veces por lo que para asegurar el xito decide
lanzar tres torpedos. Supuestos los lanzamientos simultneos e independientes se pide:
a) cul es la probabilidad de hundir el carguero?
b) cunto vale dicha probabilidad si le dispara cuatro torpedos?
c) cul es el nmero mnimo de disparos necesario para tener una probabilidad de hundirlo igual o superior
al 95%?
a) Llamamos Ai al suceso consistente en que el torpedo i-simo (i=1,2,3) de en el blanco.
1 1 1 1 1 1
1 19
+ + ( + + )+
=
3 3 3 9 9 9 27 27
Tambin hubiramos alcanzado este resultado determinando la probabilidad del suceso contrario
P(hundir el carguero) = 1 P(no hundir el carguero) = = 1 P( A1 A2 A3 ); y al ser independientes:
2 2 2 8
P( A1 A2 A3 ) = P( A1 ) P( A2 ) P( A3 ) = =
3 3 3 27
8 19
y, de nuevo: P (hundir el carguero) =
1
=
27 27
b) La probabilidad ahora es:
P(hundir el carguero) =1 P( A1 A2 A3 A4 ) =
4
2 65
=
1 =
81
3
182
2
1 0,95
3
n
2
2
0, 05 n log log 0,95
3
3
log 0, 05
n
= 7,3888 =
n 8
2
log
3
183
184
Tres personas A, B y C lanzan, sucesivamente, y por este orden, una moneda ideal,
ganando el primero que saque cara. Cules son las probabilidades de ganar cada
jugador?
SOLUCIN:
Sucesos: A = Gana el A, B = Gana el B, C = Gana el C
P (A) + P (B) + P (C) = 1
Ac: A obtiene cara; ( Bc; Cc) ; A+: A obtiene cruz; (B+;C+)
A gana si en la primera serie de lanzamientos obtiene cara; o si en la primera serie A,B y C
obtienen cruz y luego A obtiene cara, y as sucesivamente.
Lo mismo ocurre para los sucesos B y C. Por consiguiente:
P(A) = + (1/2)4+(1/2)7+(1/2)10+.
P(B)=(1/2)2+(1/2)5+(1/2)8+(1/2)11+
P(C)=(1/2)3+(1/2)6+(1/2)9+(1/2)12+.
Pudindose apreciar que P (B) = 1/2 P (A) y P (C) = 1/2 P (B) = 1/4 P (A)
Como:
1 = P (A)+P (B) +P (C) = P (A) + 1/2 P (A) + 1/4 P (A) = 7/4 P (A).
Tenemos que:
P (A) = 4/7
P (B) = 1/2 P (A) = 2/7
P (C) = 1/4 P (A) = 1/7
186